预测模块详解

本文深入解析Apollo自动驾驶系统的预测模块,重点介绍7.0版本的变化。预测模块利用机器学习模型,特别是多层感知机(MLP),处理障碍物信息,预测其轨迹。模块包括Container、Scenario、Evaluator和Predictor,负责存储数据、场景分析、评估障碍物行为和生成预测轨迹。预测框架与VectorNet和TNT论文理念相似,但7.0版采用MLP而非图神经网络,并强化了工程优化。文章还探讨了消息处理流程、数据主流程和代码主流程,以及与上下游模块的关系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

1.模块概述

2.处理流程

2.1 消息主流程

2.2 数据主流程

2.3 代码主流程

3. 预测框架详解

3.1框架概览

3.2 Container

3.3 Scenario

3.4  Evaluator

3.5  Predictor

4. 测评指标

5. 其他(部分函数、数据结构、通信等)

5.1 轨迹结构

5.2 预测输出结果数据结构

5.3 prediction模块的场景与pnc模块的场景定义及区别

5.3.1 预测模块

5.3.2 storytelling 模块

5.3.3 planning 模块


 

1.模块概述

自动驾驶主车(Autonomous Driving Car ,ADC)行驶时,周围的车辆及行人在接下来的几秒内将要做什么?是否有碰撞的可能?这对于实现安全的自动驾驶而言至关重要,这也是自动驾驶领域中的轨迹预测模块的问题:对周边车辆、行人在接下来数秒时间的多种行为状态进行预测,进一步影响主车的路径规划。

近几年中自动驾驶行为预测领域很火的一种方式是——采用类似VectorNet(《VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation》)这个分层的图神经网络的思想,将道路等静态环境信息以及动态交通参与者的运动轨迹均进行编码,编码后经过类似TNT (《TNT:Target-driveN Trajectory Predictio》)思想的方式进行轨迹预测。2021年12月29日,Apollo7.0版本正式发布。本次7.0版本预测模块更新部分的核心思路与上述两篇论文非常接近,但主要区别在于使用MLP(多层感知机)替代了GCN(图神经网络),以及增加了更加丰富的工程化的优化方式。

预测模块的工作是预测感知模块检测到的障碍物的行为。整个模块的输入是障碍物信息(位置、速度、加速度、方位角)、本车的规划轨迹、本车定位信息; 输出是障碍物的预测

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值